In the long term evolution (LTE) uplink systems, reference signals based on Zadoff-Chu sequences are employed for time synchronization and block type channel estimation because the pilots are inserted into all the subcarriers of one single carrier-frequency division multiple access (SC-FDMA) symbol with a certain period. The block-type channel estimation can be adopted for slowly fading channel while the channel can be considered as stationary within a certain period of SC-FDMA symbols. However, in practice, a wideband radio channel is time-variant and the channel estimation errors based on block-type channel estimation will significantly degrade the performance of SC-FDMA systems in fast fading environments. Therefore, in this paper, the maximum likelihood (ML) time synchronization and comb-type channel estimation for SC-FDMA systems is presented. We demonstrated that the proposed system has significant bit error rate (BER) advantages over fast varying environments.

Sinyal-gürültü oranı (signal to noise ratio, SNR) kestirimi, uyarlanabilir modülasyonu, etkili güç tahsisini ve güvenilir bağlantı uyarlamasını iyileştirdiği için kablosuz haberleşme sistemlerinin optimize edilmesinde önemli bir yere sahiptir. Veri yardımlı ve veri yardımsız olarak yapılan geleneksel SNR kestirim yöntemlerinin, yüksek frekans, geniş bant aralığı ve gürültüye karşı duyarlılığın fazla olması şeklinde karakterize edilen altıncı nesil (sixth generation, 6G) sistemlerinde yaşadıkları zorlukların aksine derin öğrenme (deep learning, DL) modelleri umut vaat eden bir alternatif olarak karşımıza çıkmaktadır. Bu çalışmada ResNet101V2, MobileNetV2 ve Xception olmak üzere üç adet DL modelinin SNR sınıflandırma performansı, modülasyon türlerine ait yıldız diyagramı görüntüleri yardımıyla öğrenme aktarımı tekniği kullanılarak değerlendirilmiştir. ResNet101V2, %70.8’lik bir ortalama sınıflandırma doğruluyla en üstün performansı gösterirken MobileNetV2 ve Xception sırasıyla %63.6 ve %56.8’lik doğruluk değerlerine ulaşabilmektedir. ResNet101V2, yüksek dereceli modülasyon türleri kullanılarak yapılan SNR sınıflandırmasında daha dayanıklı bir mimari olduğunu göstermiş olsa da MobileNetV2, kaynakları sınırlı senaryolar için alternatif olabilecek bir işlemsel yüke sahiptir. Tüm bunların aksine Xception, ImageNet veri setindeki görüntü sınıflandırma başarısına rağmen bu çalışmaya özgü olan SNR sınıflandırmasında aynı performansı gösterememektedir. Sonuçlar beklendiği üzere artan modülasyon derecesiyle beraber sınıflandırma doğruluğunun düştüğünü göstermektedir.